High-Definition Map Generation Technologies For Autonomous Driving
Ontario Tech University(安大略理工大学)
在过去的几年里,自动驾驶一直是最受欢迎和最具挑战性的话题之一。在实现完全自动驾驶的道路上,研究人员利用了各种传感器,如LiDAR,相机,惯性测量单元(IMU)和GPS,并开发了用于自动驾驶应用的智能算法,如目标检测,对象分割,避障和路径规划。近年来,高清(HD)地图引起了人们的广泛关注。由于高清地图在定位方面的高精度和信息水平,它已立即成为自动驾驶的关键组成部分之一。从百度Apollo、英伟达、TomTom等大型组织到个人研究人员,研究人员已经为自动驾驶创建了不同场景和目的的高清地图。有必要回顾一下高清地图生成的最新方法。本文回顾了最近的高清地图生成技术,利用2D和3D地图生成。本文介绍了高清地图的概念及其在自动驾驶中的实用性,并详细概述了高清地图生成技术。我们还将讨论当前高清地图生成技术的局限性,以激励未来的研究。
2022-06-24 cs.CV cs.RO
A Framework for a Capability-driven Evaluation of Scenario Understanding for Multimodal Large Language Models in Autonomous Driving
Dr. Ing. h.c. F. Porsche AG(保时捷股份公司);Forschungszentrum Informatik(弗劳恩霍夫信息技术研究中心);Hochschule Esslingen(埃斯林根应用技术大学);University of Michigan(密歇根大学);Voxel51;Karlsruher Institut für Technologie(卡尔斯鲁厄理工学院)
本文提出能力驱动的MLLMs自动驾驶场景理解评估框架,从语义、空间、时间、物理四维度及情境层、模态、下游任务组织评估,并通过两个交通场景验证其适用性。
2025-03-14 cs.CV cs.RO
Exploring the Causality of End-to-End Autonomous Driving
Baidu Inc.(百度公司)
本文提出一种系统性方法,通过控制变量、反事实干预和统计分析,探索端到端自动驾驶的因果性,并开发了工具和基线,在CARLA中验证,将黑箱变为白箱。
2024-07-19 cs.CV cs.RO
Driving in Corner Case: A Real-World Adversarial Closed-Loop Evaluation Platform for End-to-End Autonomous Driving
School of Automotive Studies, Tongji University(同济大学汽车学院);ZERON
本文提出一个现实对抗闭环评估平台,用于生成边缘情况以评估端到端自动驾驶系统,通过真实场景图像生成与对抗交通策略结合,验证模型在极端情况下的性能。
2026-04-19 cs.CV cs.RO
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving
University of Macau(澳门大学)
本文提出DME-Driver自动驾驶系统,结合大型视觉语言模型作为逻辑决策器与3D场景感知模型作为控制信号生成器,并构建新数据集以实现高精度且可解释的规划。
2024-01-08 cs.CV cs.RO
Advancing Autonomous Driving Perception: Analysis of Sensor Fusion and Computer Vision Techniques
Drexel University(德雷塞尔大学)
本报告通过分析基于视觉的系统与感知指标的最新进展,探讨了利用基于深度的感知和计算机视觉技术增强轮式自动驾驶机器人未知2D地图导航能力的方法,旨在提升自动驾驶感知系统的安全性与性能。
2024-11-15 cs.CV cs.RO
SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control
MEGVII(旷视科技)
本文提出 SubjectDrive 模型,通过主体控制机制利用多样化外部数据源提升生成数据的多样性,从而有效扩展自动驾驶训练数据生产并持续改进下游感知模型性能。
2024-12-26 cs.CV cs.RO
From perception to control: an autonomous driving system for a formula student driverless car
Beijing Institute of Technology(北京理工大学)
本文介绍了在2018年中国方程式学生自主驾驶比赛(FSAC)中获胜的“智能鲨鱼II”的自主驾驶系统。在这项比赛中,一辆自主赛车需要在未知的赛道上自主完成两圈。本文介绍了该赛车的自动驾驶软件结构,保证了车辆的高速性和安全性。关键部件保证了赛车的稳定行驶,基于LiDAR和视觉的圆锥检测提供了冗余感知;基于EKF的定位提供了高精度和高频率的状态估计;感知结果通过占用网格地图在时间和空间上积累。在得到运动轨迹后,采用模型预测控制算法对赛车的纵向和横向控制进行优化。最后,基于真实世界的数据的实验的性能。
2019-08-31 cs.CV cs.RO
Human Visual Attention Prediction Boosts Learning & Performance of Autonomous Driving Agents
自动驾驶是一个多任务问题,需要对视觉环境有深入的了解。端到端自动驾驶系统作为一种学习驾驶的方法越来越受到关注,而无需为不同的驾驶场景详尽地编程行为。当人类驾驶时,他们依赖于一个微调的感觉系统,使他们能够快速获得所需的信息,同时过滤不必要的细节。这种识别图像中特定任务的高兴趣区域的能力通常对自动驾驶代理和机器学习系统有益。为了创建一个能够模仿人类凝视模式和视觉注意力的系统,我们在虚拟现实环境中收集了人类驾驶员的眼动数据。我们使用这些数据来训练深度神经网络,预测人类开车时最有可能看的地方。然后,我们使用这个经过训练的网络的输出,使用各种掩蔽技术选择性地掩蔽驾驶图像。最后,使用这些掩蔽图像作为输入来训练自动驾驶代理。经过比较,我们发现处理原始图像和注意力掩蔽图像的双分支架构大大优于所有其他模型,与仅在原始图像上训练的标准端到端模型相比,控制信号预测的误差减少了25.5%。
2019-09-11 cs.CV cs.RO
Post-Training in End-to-End Autonomous Driving
Northeastern University(东北大学);Purdue University(普渡大学)
探讨端到端自动驾驶中训练后处理技术,针对传统方法不足,将现有文献按监督形式分四类,阐述各分类的能力、局限与挑战,助力系统理解该领域并推动相关研究。
2026-07-15 cs.CV cs.RO
SEG-Parking: Towards Safe, Efficient, and Generalizable Autonomous Parking via End-to-End Offline Reinforcement Learning
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Cheng Kar-Shun Robotics Institute, The Hong Kong University of Science and Technology(陈克逊机器人研究所,香港科技大学)
针对非结构化环境下的自动泊车挑战,提出端到端离线强化学习框架SEG-Parking,通过构建专用数据集、预训练目标条件状态编码器并采用保守正则化器优化策略,在CARLA闭环实验中实现了最高成功率和鲁棒的分布外泛化能力。
2025-09-17 cs.RO
Boosting Offline Reinforcement Learning for Autonomous Driving with Hierarchical Latent Skills
Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海期智研究院);Shanghai Jiao Tong University(上海交通大学);QCraft Inc(轻舟智航公司)
本文提出一种基于分层潜在技能的框架,通过变分自编码器学习驾驶技能并作为动作,增强离线强化学习在自动驾驶中的长时域规划能力,在CARLA上优于强基线。
2023-11-17 cs.AI cs.RO
SMET: Scenario-based Metamorphic Testing for Autonomous Driving Models
为了提高自动驾驶模型的安全性和鲁棒性,提出了一种基于XML的自动驾驶模型变形测试工具SMET。将变形关系划分为时间、空间和事件三个维度,并通过两类不同输出的自动驾驶模型实例验证了该工具的有效性,实验结果表明,该工具能够很好地检测出自动驾驶模型的潜在缺陷,复杂场景比简单场景更有效.
2021-04-08 cs.RO
Panoptic Perception for Autonomous Driving: A Survey
Oakland University(奥克兰大学)
本综述系统回顾了自动驾驶领域的全景感知模型,比较了其输入、架构及在性能、响应速度和资源利用率上的表现,并探讨了当前挑战与未来研究方向,为相关研究提供了重要参考。
2024-08-27 cs.CV cs.LG cs.RO
Safety-aware Causal Representation for Trustworthy Offline Reinforcement Learning in Autonomous Driving
Carnegie Mellon University(卡内基梅隆大学)
提出安全感知结构化场景表示FUSION方法,利用奖励、成本、状态和动作间的因果关系,在离线强化学习中构建结构化序列推理框架,显著提升了自动驾驶智能体在分布偏移和未见环境下的安全性与泛化能力。
2024-03-12 cs.AI cs.LG cs.RO
Autonomous Driving Implementation in an Experimental Environment
Sakarya University(萨卡里亚大学)
自主系统需要识别环境,在将其安全地付诸实践之前还有很长的路要走。在自动驾驶系统中,障碍物和交通信号灯的检测与车道跟踪一样重要。在这项研究中,自主驾驶系统的开发和测试的实验环境中,为此目的而设计。在该系统中,具有摄像头的模型车辆用于跟踪车道和避开障碍物,以实验研究自动驾驶行为。训练卷积神经网络模型进行车道线跟踪。针对车辆避障问题,分别建立了角点检测、光流、焦点扩展、碰撞时间、平衡计算和决策机制。
2021-05-23 cs.CV cs.LG cs.RO
F1tenth Autonomous Racing With Offline Reinforcement Learning Methods
Iowa State University(爱荷华州立大学)
本文针对F1tenth赛车环境,提出基于离线强化学习和回报条件决策树的训练方法,利用次优控制器采集专家数据,验证了其在跨赛道零样本迁移和动态适应方面的性能。
2024-08-08 cs.RO cs.SY eess.SY
Want a Ride? Attitudes Towards Autonomous Driving and Behavior in Autonomous Vehicles
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
本文通过12人实地实验,发现对自动驾驶的态度并不影响驾驶干预和视线行为,指出缺乏实地测试的自动驾驶研究在评估行为、态度与接受度方面可能不可靠。
2024-09-04 cs.HC cs.RO
An Overview about Emerging Technologies of Autonomous Driving
本文概述了自动驾驶新兴技术,重点探讨了数据闭环框架下的关键技术和开放性问题。
2026-03-11 cs.CV
Exploring the Boundaries: Thorough Software Testing for Safety-Critical Driving Scenarios Based on Kinematics in the Context of Autonomous Driving
Esslingen University of Applied Sciences(埃斯林根应用科学大学)
本文研究自动驾驶中基于运动学的安全关键边角场景测试,提出运用边界值分析识别最小距离等极端条件,以提升系统鲁棒性并为相关人员提供测试指导。
2023-06-02 cs.RO
Offline Reinforcement Learning for Autonomous Driving with Safety and Exploration Enhancement
University of Toronto(多伦多大学);Michigan State University(密歇根州立大学)
强化学习(RL)是一种强大的数据驱动控制方法,在自动驾驶任务中得到了广泛的应用。然而,传统的RL方法通过与环境的试错交互来学习控制策略,因此在现实世界的交通中进行测试时可能会导致灾难性的后果,例如碰撞。离线RL最近成为一个很有前途的框架,可以从以前收集的静态数据集中学习有效的策略,而不需要主动交互,这使得它对自动驾驶应用程序特别有吸引力。尽管前景看好,但现有的离线RL算法(如批量约束深度Q学习(BCQ))通常会导致相当保守的策略,探索效率有限。为了解决这些问题,本文提出了一种增强的BCQ算法,通过在扰动模型中采用可学习的参数噪声方案,以增加所观察到的动作的多样性。此外,一个基于Lyapunov的安全增强策略被纳入到一个安全区域内的可探索的状态空间。在高速公路和停车场交通场景中的实验结果表明,我们的方法优于传统的RL方法,以及最先进的离线RL算法。
2021-11-02 cs.RO cs.SY eess.SY
Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving
University of Southern California(南加州大学);Virginia Tech(弗吉尼亚理工大学);Miami University(迈阿密大学);Northern Arizona University(北亚利桑那大学);Northeastern University(东北大学)
本文针对自动驾驶变道安全问题,提出一种基于深度学习的变道行为预测方法,旨在准确识别驾驶员变道意图,促进安全变道并提升道路安全性。
2024-02-25 cs.CV cs.LG cs.RO
Towards Knowledge-driven Autonomous Driving
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);East China Normal University(华东师范大学);Chinese University of Hong Kong(香港中文大学);Zhejiang University(浙江大学)
本文综述知识驱动自动驾驶技术,分析现有系统局限,提出以数据集、环境和驾驶员智能体为核心,结合大模型等AI技术构建更全面、自适应和智能的自动驾驶系统,并展望未来研究方向。
2023-12-27 cs.AI cs.CV cs.RO
CAAD: Computer Architecture for Autonomous Driving
我们描述了自动驾驶中涉及的计算任务,研究了现有的自动驾驶计算平台的实现。为了实现自动驾驶,计算堆栈需要以低成本同时提供高性能、低功耗和低散热。我们讨论了设计计算平台,将满足这些需求的可能方法。
2017-02-07 cs.AR cs.RO
Towards Fully Intelligent Transportation through Infrastructure-Vehicle Cooperative Autonomous Driving: Challenges and Opportunities
PerceptIn(感知创新公司);South China University of Technology(华南理工大学);Northwestern University(西北大学)
基础设施-车辆协同自动驾驶方法依赖于智能道路和智能车辆之间的合作。与传统的车载自动驾驶方法相比,这种方法不仅更安全,而且更经济。在本文中,我们介绍了我们在协作自动驾驶领域的实际部署经验,并深入探讨了新挑战和机遇的细节。具体而言,根据我们在商业部署方面的进展,我们遵循了合作自动驾驶方法的三个阶段发展路线图:基础设施增强自动驾驶(IAAD),基础设施引导自动驾驶(IGAD)和基础设施规划自动驾驶(iPad)。
2021-03-03 cs.AR cs.NI cs.RO
Deep Neural Network Perception Models and Robust Autonomous Driving Systems
Waterloo Artificial Intelligence Institute(滑铁卢人工智能研究所);Department of Systems Design Engineering, University of Waterloo(滑铁卢大学系统设计工程系);David Cheriton school of Computer science, University of Waterloo(滑铁卢大学戴维·谢里顿计算机学院);University of Waterloo(滑铁卢大学)
本文分析了自动驾驶应用中深度学习模型的鲁棒性,并讨论了解决该问题的实用解决方案。
2020-03-04 cs.CV cs.LG cs.RO
Driving the Wrong Way: Leveraging Interpretability in End2End Autonomous Driving Models
AUMOVIO(奥莫维奥);Department of Applied Computer Science, University of Bamberg(班贝格大学应用计算机科学系)
研究端到端自动驾驶模型因复杂不透明易产生不良行为的问题,核心方法是集成无监督字典学习作为可解释性模块,主要贡献为揭示决策逻辑、纠正驾驶决策以提升模型性能。
2026-07-08 cs.AI cs.CV cs.RO
Motion Comfort Optimization for Autonomous Vehicles: Concepts, Methods, and Techniques
University of North Texas(北德克萨斯大学);Fordham University(福特汉姆大学);Qatar University(卡塔尔大学);University of Nebraska at Kearney(内布拉斯加大学卡尼尔分校);Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学(MBZUAI));Hamad Bin Khalifa University(哈马德·本·哈利法大学)
本文从人类舒适性视角综述自动驾驶架构、舒适度测量与优化技术,分析传感器天气限制及市场影响,并给出用例与未来展望。
2023-06-15 cs.AI cs.CV cs.LG
Deep Event-based Object Detection in Autonomous Driving: A Survey
School of System Engineering NUDT Changsha, China
本文综述自动驾驶中基于事件相机的深度目标检测方法,分析事件数据异步稀疏带来的低延迟与轻量架构挑战,并阐明事件相机相较传统帧相机的优势。
2024-05-07 cs.CV
InterHub: A Naturalistic Trajectory Dataset with Dense Interaction for Autonomous Driving
Tongji University(同济大学);Beijing Institute of Technology(北京理工大学);School of Automotive Studies, Tongji University(同济大学汽车学院)
针对真实驾驶数据中交互事件稀疏的问题,本文提出 InterHub 数据集,利用形式化方法从自然驾驶记录中提取多智能体密集交互轨迹,并提供可扩展工具包以支持自动驾驶评估与研究。
2024-11-30 cs.RO
MmWave Radar and Vision Fusion for Object Detection in Autonomous Driving: A Review
Beijing University of Posts and Telecommunications(北京邮电大学)
随着自动驾驶技术的蓬勃发展,复杂场景下目标的精确目标检测成为自动驾驶安全的重要保障。毫米波(mmWave)雷达和视觉融合是精确障碍物检测的主流解决方案。本文详细介绍了毫米波雷达和视觉融合的障碍物检测方法。首先,我们介绍了自动驾驶目标检测的任务、评估标准和数据集。然后将毫米波雷达与视觉融合的过程分为传感器部署、传感器标定和传感器融合三个部分进行了综述。具体来说,我们将融合方法分为数据级,决策级和特征级融合方法。此外,我们还介绍了三维(3D)目标检测、自动驾驶中激光雷达与视觉的融合以及多模态信息融合,这些都是未来很有希望的。最后,对本文进行了总结。
2022-04-01 cs.CV
Guided Policy Search Model-based Reinforcement Learning for Urban Autonomous Driving
University of California, Berkeley(加州大学伯克利分校)
在本文中,我们继续我们以前的工作,使用模仿学习(IL)和无模型强化学习(RL),学习驾驶策略的自动驾驶在城市的情况下,通过引入基于模型的RL方法来驱动自动驾驶汽车在卡拉城市驾驶模拟器。尽管IL和无模型RL方法已被证明能够解决许多具有挑战性的任务,包括玩视频游戏,机器人,以及在我们之前的工作中,城市驾驶,但这些方法的低样本效率极大地限制了它们在实际自动驾驶中的应用。在这项工作中,我们开发了一个基于模型的RL算法的指导政策搜索(GPS)的城市驾驶任务。该算法迭代学习一个参数化的动力学模型来逼近复杂的交互式驾驶任务,并在非线性近似动力学模型下优化驾驶策略。作为一种基于模型的强化学习方法,GPS在城市自动驾驶中具有更高的样本效率、更好的可解释性和更高的稳定性。我们提供了大量的实验验证所提出的方法的有效性,学习鲁棒的驾驶政策,在卡拉城市驾驶。我们还将所提出的方法与其他策略搜索和无模型RL基线进行了比较,表明基于GPS的RL方法的样本效率提高了100倍,并且基于GPS的方法可以学习基线方法难以学习的更难任务的策略。
2020-05-11 cs.RO
Optimizing Trajectories for Highway Driving with Offline Reinforcement Learning
University of Freiburg(弗莱堡大学);BMW Group(宝马集团)
实现能够输出可行、平滑和高效轨迹的自动驾驶车辆是一项长期挑战。已经考虑了几种方法,大致分为两类:基于规则的方法和基于学习的方法。基于规则的方法虽然保证了安全性和可行性,但在长期规划和推广方面存在不足。基于学习的方法能够解释长期规划和对未知情况的概括,但可能无法实现基于规则的方法所确保的平滑性,安全性和可行性。因此,将这两种方法结合起来,显然是朝着在两者之间取得最佳折衷的方向迈出的一步。我们提出了一种基于强化学习的方法,该方法可以学习高速公路上完全自动驾驶的目标轨迹参数。经过训练的代理输出连续的轨迹参数,基于这些参数生成并执行可行的基于多项式的轨迹。我们比较我们的代理对其他四个高速公路驾驶代理的性能。实验是在相扑模拟器中进行的,考虑到各种现实的,动态变化的高速公路场景,包括周围的车辆与不同的驾驶员行为。我们证明,我们的离线训练代理,随机收集的数据,学习驾驶平稳,实现速度尽可能接近所需的速度,同时优于其他代理。代码、训练数据和详细信息请访问:www.example.com。de/branka. mirchevska/offline-rl-tp.
2022-03-21 cs.LG cs.RO
CtRL-Sim: Reactive and Controllable Driving Agents with Offline Reinforcement Learning
Mila(米拉计算研究所);Université de Montréal(蒙特利尔大学);Polytechnique Montréal(蒙特利尔理工学院);Torc Robotics(托尔克机器人公司);Princeton University(普林斯顿大学);CIFAR(加拿大高级研究所)
本文提出CtRL-Sim方法,利用回报条件的离线强化学习,通过物理增强模拟器处理真实驾驶数据并训练多智能体行为模型,实现了高效生成反应式且可控的驾驶智能体,并能生成安全关键场景及对抗性行为。
2024-10-14 cs.AI cs.LG cs.RO
Sensor Data Validation and Driving Safety in Autonomous Driving Systems
CITY UNIVERSITY OF HONG KONG(香港城市大学)
自动驾驶技术因其快速发展和极高的商业价值而受到广泛关注。最近自动驾驶技术的飞跃主要归功于环境感知的进步。良好的环境感知提供准确的高层次环境信息,这对于自动驾驶汽车做出安全和精确的驾驶决策和策略至关重要。此外,如果没有深度学习模型和先进的机载传感器,如光学传感器(激光雷达和摄像头)、雷达、GPS,准确的环境感知就不可能取得这样的进展。然而,先进的传感器和深度学习模型很容易受到最近发明的攻击方法的影响。例如,激光雷达和摄像头可能会受到光学攻击,深度学习模型可能会受到对抗性示例的攻击。对先进传感器和深度学习模型的攻击会在很大程度上影响环境感知的准确性,对自动驾驶汽车的安全性构成巨大威胁。本论文主要研究针对车载传感器攻击的检测方法,以及受攻击的深度学习模型与自动驾驶汽车驾驶安全之间的联系。为了检测攻击,可以利用冗余数据源,因为受害者传感器数据中的攻击引起的信息失真导致与来自其他冗余源的信息不一致。研究受攻击的深度学习模型与驾驶安全之间的联系.
2022-04-01 cs.CV
The NEOLIX Open Dataset for Autonomous Driving
NEOLIX
随着5G技术的逐渐成熟,自动驾驶技术越来越受到研究界的关注。自动驾驶汽车依赖于人工智能、视觉计算、雷达、监控设备和GPS的协同工作,使计算机能够在不受人为干扰的情况下自动安全地操纵汽车,但用于训练和系统评估的大规模数据集仍然是鲁棒感知模型开发中的一个棘手问题。本文介绍了NEOLIX数据集及其在自动驾驶领域的应用。我们的模板包括大约30,000个带有点云标签的帧,以及超过600k个带有注释的3D边界框。数据汇集覆盖多个区域,各种驾驶条件,包括白天、夜晚、黎明、黄昏和晴天。为了标记这个完整的数据集,我们为每个任务开发了各种工具和算法,以加快标记过程。希望我们的数据集和相关算法能够为自动驾驶在计算机视觉领域的进一步发展提供支持和激励。
2021-01-28 cs.CV
Evaluation and Optimization of Rendering Techniques for Autonomous Driving Simulation
Southern University of Science and Technology(南方科技大学)
为提升自动驾驶仿真场景质量,提出用离线工业渲染框架替代实时渲染,通过游戏引擎生成低质量场景并用IQA算法验证离线渲染的质量提升,改进后的场景用于训练。
2023-06-27 cs.RO
Offline Reinforcement Learning using Human-Aligned Reward Labeling for Autonomous Emergency Braking in Occluded Pedestrian Crossing
CAV-Lab, School of Engineering(CAV实验室、工程学院);School of Artificial Intelligence and Computer Science(人工智能与计算机科学学院)
本文提出了一种生成人类对齐奖励标签的方法,用于提升自动驾驶车辆在遮挡行人横穿场景中的安全性能。
2026-01-23 cs.LG cs.RO
X-Driver: Explainable Autonomous Driving with Vision-Language Models
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Baidu Inc.(百度公司)
本文提出基于多模态大语言模型和思维链的X-Driver框架,通过自回归建模增强感知与决策,在CARLA闭环自动驾驶基准上超越现有最优方法并提升可解释性。
2025-06-03 cs.CL cs.CV cs.ET
UMBRELLA: Uncertainty-Aware Model-Based Offline Reinforcement Learning Leveraging Planning
TU Dortmund University(多特蒙德工业大学)
离线强化学习(RL)提供了一个从离线数据中学习决策的框架,因此构成了自动驾驶等现实世界应用的一种有前途的方法。自动驾驶汽车(SDV)学习一种策略,这种策略甚至可能优于次优数据集中的行为。特别是在自动驾驶等安全关键型应用中,可解释性和可移植性是成功的关键。这促使使用基于模型的离线RL方法,该方法利用规划。然而,目前的最先进的方法往往忽略了任意的不确定性所产生的多智能体系统的随机行为的影响。本文提出了一种基于不确定性感知模型的离线强化学习杠杆规划(UMBRELLA)方法,该方法以一种可解释的基于学习的方式联合解决了SDV的预测、规划和控制问题。经过训练的动作条件随机动力学模型捕捉交通场景的不同未来演变。该分析为我们的方法在挑战自动驾驶模拟和基于真实世界公共数据集方面的有效性提供了经验证据。
2022-06-28 cs.AI cs.LG cs.RO
Attacking Autonomous Driving Agents with Adversarial Machine Learning: A Holistic Evaluation with the CARLA Leaderboard
Carnegie Mellon University(卡内基梅隆大学)
该研究借助CARLA模拟器与CARLA排行榜,在不修改智能体代码的前提下测试对抗补丁对多类开源自动驾驶智能体的攻击效果,发现部分非ML模块可抵消对抗样本对ML模型的误导作用。
2025-11-18 cs.CR cs.CV cs.LG
Results and Lessons Learned from Autonomous Driving Transportation Services in Airfield, Crowded Indoor, and Urban Environments
Seoul National University(首尔大学);ThorDrive
本文分享了在机场、拥挤室内和城市环境中开展自动驾驶运输服务的研究成果与经验教训,探讨了应对独特挑战的方法并概述了未来待解决的问题。
2024-03-20 cs.RO
Human-vehicle Cooperative Visual Perception for Autonomous Driving under Complex Road and Traffic Scenarios
Tongji University(同济大学)
人车协同驾驶技术减轻了人类驾驶员的工作负担,已成为自动驾驶的关键技术。然而,复杂的、不确定的道路环境给协作系统的视觉感知带来了巨大的挑战。自动驾驶的感知特性与人工驾驶有很大的不同。为了提高人车协同驾驶的视觉感知能力,提出了一种协同视觉感知模型。收集了506幅复杂道路和交通场景的图像作为数据源。然后对自主车辆的目标检测算法进行了改进。交通要素的平均感知准确率达到75.52%。通过图像融合的方法,将驾驶员的视线点与车辆的监控屏幕进行融合。结果表明,合作视觉感知能更准确地反映冲突最危险区域,预测冲突物体的运动轨迹。研究结果可用于改进视觉感知算法,为规划和控制提供准确的数据。
2022-04-21 cs.CV
Review of Deep Reinforcement Learning for Autonomous Driving
Middlesex University(密德萨斯大学)
自从深度神经网络复兴以来,强化学习在许多传统游戏中逐渐加强并超越了人类。然而,将这些成就复制到自动驾驶并不容易,因为现实世界中的状态空间非常复杂,动作空间是连续的,需要精细控制。此外,自动驾驶系统还必须保持其功能,无论环境的复杂性如何。深度强化学习域(DRL)已经成为一种鲁棒的学习框架,用于在高维环境中处理具有深度表示学习的复杂策略。这项研究概述了深度强化学习算法(DRL)。它提出了一个命名的自动驾驶DRL技术已被使用,从而讨论了重要的计算问题,在现实环境中评估自动驾驶代理。相反,它涉及类似但不是标准的RL技术,毗邻的领域,如动作仿真,建模模仿,反向强化学习。模拟器在训练代理中的作用得到了解决,验证,检查和现有RL解决方案的鲁棒性的方法也得到了解决。
2023-02-13 cs.RO
DiDrive: A Risk-Aware Hierarchical Diffusion Framework for Safe Offline Reinforcement Learning in Autonomous Driving
College of Computer and Data Science, Fuzhou University(福州大学计算机与数据科学学院);Maynooth International College of Engineering, Fuzhou University(福州大学梅努斯国际工程学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对离线强化学习在自动驾驶中面临的分布偏移等挑战,提出含RHDif架构与3DICE范式的DiDrive框架,在CARLA基准的高密度交通场景中表现优于基线,为安全自动驾驶决策提供稳健路径。
2026-09-03 cs.LG cs.RO
Autonomous Driving Data Chain & Interfaces
自动驾驶技术的最新发展已经证明,地图数据不仅可以用于一般的路由目的,还可以用于增强和补充常见的传感器数据。本文档回顾了自我修复地图数据链每一步最常用的接口和格式。
2021-04-02 cs.AI cs.RO
Applications of Large Scale Foundation Models for Autonomous Driving
Futurewei Technology Inc.(未来网络技术有限公司);University of Missouri(密苏里大学)
本文探讨了大语言模型与基础模型在自动驾驶中的应用,旨在利用人类知识与推理突破长尾困境,涵盖仿真、世界模型、数据标注及端到端规划等技术方向。
2024-01-05 cs.CV
Assessing the Criticality of Longitudinal Driving Scenarios using Time Series Data
Esslingen University of Applied Sciences(埃斯林根应用科学大学)
本文提出基于纵向驾驶时间序列数据的安全指标,用于检测自动驾驶中的安全关键场景,以支持算法的测试与验证。
2023-05-29 cs.RO
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法,生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段,优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段,该程序以行驶引导线为输入,输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用,其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 cs.RO
Autonomous Driving Strategies at Intersections: Scenarios, State-of-the-Art, and Future Outlooks
Beijing Institute of Technology(北京理工大学);Delft University of Technology(代尔夫特理工大学)
由于交叉口场景的复杂性和动态性,交叉口自动驾驶策略一直是近年来智能交通系统研究的难点和热点。本文简要总结了交叉口自动驾驶策略的发展现状。首先,我们列举和分析了常见的交叉口场景类型,相应的仿真平台,以及相关的数据集。其次,通过回顾以往的研究,我们总结了现有的自动驾驶策略的特点,并将其分为几类。最后指出了现有自动驾驶策略存在的问题,并提出了几点有价值的研究展望。
2021-07-13 cs.AI cs.RO
Driving into the Future: Multiview Visual Forecasting and Planning with World Model for Autonomous Driving
CAIR, HKISI, CAS(中国科学院香港创新研究院人工智能与机器人创新研究所);CASIA(中国科学院自动化研究所)
本文提出首个兼容端到端规划模型的驾驶世界模型 Drive-WM,通过视角分解联合时空建模生成多视角视频,并首次将其用于多未来预测与安全驾驶规划。
2023-11-29 cs.CV
Evaluating Robustness over High Level Driving Instruction for Autonomous Driving
ENSTA Paris(巴黎高等先进技术学院);Institut Polytechnique de Paris(巴黎理工学院);INRIA(法国国家信息与自动化研究所);Université Paris-Saclay(巴黎萨克雷大学);CEA(法国原子能和替代能源委员会);List(李斯特研究所)
近年来,我们见证了自动端到端驾驶领域越来越高的性能。特别是,越来越多的研究正在做的城市环境中,汽车必须遵循高级别的命令来导航驾驶。然而,很少有评价的能力,这些代理人在一个意想不到的情况下作出反应。具体地,在坏的高级命令的情况下,不对驱动代理的鲁棒性进行评估。我们在这里提出了一种评估方法,即一个基准,允许评估的代理的鲁棒性,并欣赏其理解的环境,通过其能力,以保持一个安全的行为,无论指令。
2021-05-20 cs.AI cs.CV cs.LG
Implementing a Cloud Platform for Autonomous Driving
自动驾驶云提供支持自动驾驶汽车的基本服务。如今,这些服务包括但不限于新算法部署的分布式仿真测试、离线深度学习模型训练和高清(HD)地图生成。这些服务需要基础设施支持,包括分布式计算、分布式存储以及异构计算。在本文中,我们详细介绍了如何实现统一的自动驾驶云基础设施,以及如何在此基础设施上支持这些服务。
2017-04-10 cs.DC cs.RO
Adversarial Driving: Attacking End-to-End Autonomous Driving
The University of Exeter(埃克塞特大学);The University of the West of England(西英格兰大学)
本文针对端到端自动驾驶模型提出两种白盒定向图像扰动攻击,可在CPU上实时运行,并显著偏离预测转向角。
2023-12-12 cs.CV